Unsupervised Learning

Обучение без учителя — это разновидность машинного обучения, при которой алгоритм выявляет закономерности в неразмеченных данных без вмешательства человека. В отличие от обучения с учителем, которое использует размеченные пары входных и выходных данных для обучения модели, обучение без учителя работает с данными, не имеющими исторической разметки. По сути, система пытается обучиться самостоятельно, обнаруживая скрытые структуры, закономерности или взаимосвязи во входных данных. Такой подход особенно ценен, поскольку подавляющее большинство данных, создаваемых сегодня, — изображения, видео, текст и журналы датчиков — являются неструктурированными и неразмеченными.

Как работает обучение без учителя#

В сценариях обучения без учителя алгоритм самостоятельно выявляет интересные структуры в данных. Целью часто является моделирование базового распределения данных или более глубокое изучение самих данных. Поскольку во время обучения не предоставляются «правильные ответы», оценить точность модели в традиционном смысле невозможно. Вместо этого производительность часто измеряется тем, насколько хорошо модель снижает размерность или объединяет похожие точки данных в кластеры.

Эта методология отражает то, как люди часто осваивают новые понятия. Например, ребенок может различать собак и кошек по их внешнему виду и поведению, даже не зная поначалу названий «собака» и «кошка». Аналогичным образом алгоритмы обучения без учителя группируют информацию на основе присущего ей сходства. Эта способность имеет фундаментальное значение для развития искусственного общего интеллекта (AGI), поскольку позволяет системам адаптироваться к новым условиям без постоянного контроля со стороны человека.

Ключевые методы обучения без учителя#

Обучение без учителя включает несколько отдельных методов, каждый из которых подходит для разных задач анализа данных:

• Кластеризация: это наиболее распространенное применение, при котором алгоритм объединяет похожие точки данных. Популярным методом является кластеризация K-Means, которая разделяет данные на k отдельных групп на основе сходства признаков. Этот метод широко используется для сегментации рынка, чтобы выявлять группы клиентов с похожим покупательским поведением.
• Снижение размерности: обработка многомерных данных может быть сложной и требовать значительных вычислительных ресурсов. Такие методы, как анализ главных компонент (PCA), уменьшают количество переменных в наборе данных, сохраняя при этом его основную информацию. Это упрощает визуализацию данных и ускоряет обучение других моделей машинного обучения.
• Обнаружение аномалий: изучая, как выглядят «нормальные» данные, модели обучения без учителя могут выявлять выбросы, значительно отклоняющиеся от нормы. Это особенно важно для обнаружения мошенничества в финансовой сфере, где необычные закономерности транзакций запускают оповещения системы безопасности.
• Обучение по ассоциативным правилам: этот метод выявляет интересные взаимосвязи между переменными в больших базах данных. Он широко применяется при анализе покупательских корзин и помогает ритейлерам понять, что клиенты, покупающие хлеб, также, вероятно, купят масло.

Обучение без учителя и обучение с учителем#

Важно отличать обучение без учителя от обучения с учителем. Основное различие заключается в используемых данных. Для обучения с учителем требуется размеченный набор данных, то есть каждому обучающему примеру соответствует правильный результат (например, изображение кошки с меткой «кошка»). Модель учится сопоставлять входные данные с выходными, чтобы минимизировать ошибку.

В отличие от него, обучение без учителя использует неразмеченные данные. Отсутствует цикл обратной связи, который сообщал бы модели, правильный ли у нее результат. Существует промежуточный подход, называемый обучением с частичным привлечением учителя, который сочетает небольшой объем размеченных данных с большим объемом неразмеченных, повышая точность обучения. Его часто применяют, когда разметка данных требует больших затрат или много времени.

Практические применения#

Обучение без учителя лежит в основе многих технологий, с которыми мы сталкиваемся каждый день. Вот два конкретных примера:

1. Сегментация клиентов в розничной торговле: платформы электронной коммерции анализируют миллионы взаимодействий пользователей без заранее заданных категорий. С помощью алгоритмов кластеризации они выявляют отдельные типы пользователей — например, «охотников за скидками по выходным» или «энтузиастов технологий». Это позволяет проводить высокоперсонализированные маркетинговые кампании и использовать рекомендательные системы, значительно улучшая клиентский опыт.

2. Анализ геномных последовательностей: в биоинформатике исследователи используют обучение без учителя для анализа генетических данных. Алгоритмы объединяют последовательности ДНК в кластеры, чтобы находить похожие генетические маркеры или мутации в разных популяциях. Это помогает понять эволюционные взаимосвязи и выявить генетическую предрасположенность к заболеваниям без предварительного знания функций каждого конкретного гена.

Пример кода: кластеризация с помощью Scikit-Learn#

Хотя Ultralytics YOLO26 в первую очередь является фреймворком обучения с учителем для обнаружения объектов, методы обучения без учителя часто применяются на этапах предварительной обработки, например при анализе распределения anchor box или кластеризации признаков набора данных. Ниже приведен простой пример использования sklearn для выполнения кластеризации K-Means — фундаментального метода обучения без учителя.

import numpy as np
from sklearn.cluster import KMeans

# Generate synthetic data: 10 points with 2 features each
X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])

# Initialize KMeans with 2 clusters (k=2)
kmeans = KMeans(n_clusters=2, random_state=0, n_init="auto")

# Fit the model to the data (no labels provided!)
kmeans.fit(X)

# Predict which cluster each point belongs to
print(f"Labels: {kmeans.labels_}")
# Output will group the first 3 points together (0) and the last 3 together (1)

Роль обучения без учителя в глубоком обучении#

Современное глубокое обучение (DL) все чаще интегрирует принципы обучения без учителя. Такие методы, как обучение с самоконтролем (SSL), позволяют моделям самостоятельно формировать сигналы для обучения на основе данных. Например, в обработке естественного языка (NLP) такие модели, как GPT-4, предварительно обучаются на огромных объемах текста, чтобы предсказывать следующее слово в предложении, фактически изучая структуру языка без явной разметки.

Аналогичным образом, в компьютерном зрении (CV) автоэнкодеры используются для изучения эффективных представлений данных. Эти нейронные сети сжимают изображения до представления меньшей размерности, а затем восстанавливают их. Этот процесс обучает сеть выделять наиболее значимые признаки визуальных данных, что полезно для таких задач, как устранение шума на изображениях и генеративное моделирование.

Тем, кто хочет управлять наборами данных для обучения, Ultralytics Platform предлагает инструменты для визуализации распределения данных, которые помогают выявлять кластеры или аномалии до начала обучения с учителем. Понимание структуры данных с помощью исследования без учителя часто становится первым шагом к созданию надежных AI-решений.